CN112949736A - 一种特征匹配方法及相关设备 - Google Patents
一种特征匹配方法及相关设备 Download PDFInfo
- Publication number
- CN112949736A CN112949736A CN202110276878.8A CN202110276878A CN112949736A CN 112949736 A CN112949736 A CN 112949736A CN 202110276878 A CN202110276878 A CN 202110276878A CN 112949736 A CN112949736 A CN 112949736A
- Authority
- CN
- China
- Prior art keywords
- sift feature
- sift
- feature
- matching
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种特征匹配方法及相关设备,可以提高图像的特征匹配的精度。该方法包括:将第一SIFT特征集合中的SIFT特征与第二SIFT特征集合中的SIFT特征进行匹配,得到第一有效匹配集合;确定第一SIFT特征坐标集合以及第二SIFT特征坐标集合;当第一有效匹配集合中的匹配对数量大于目标预设值时,确定第一有效匹配集合对应的第一单应性矩阵;根据第一单应性矩阵对第二图像以及第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第一目标SIFT特征坐标集合;确定第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标,第二坐标与第二SIFT特征相对应;将第一SIFT特征以及第二SIFT特征进行特征匹配后加入第二有效匹配集合。
Description
技术领域
本申请涉及计算机视觉领域,尤其涉及一种特征匹配方法及相关设备。
背景技术
特征匹配是计算机视觉中极为重要的课题,是目标检测与追踪、图像检索、同步定位与建图等应用的关键一环。尺度不变特征变换(Scale-invariant feature transform,SIFT)特征匹配是一个兼具运算速度与匹配质量的匹配方法,通过对局部像素进行网格划分并统计8个方向上的梯度,同时确定梯度主方向,随后将其排列为一个能够描述该特征点的高维向量。SIFT特征匹配能够取得较为满意的匹配效果,并且对光照、方向、尺度以及图像质量具有一定的鲁棒性。但是SIFT特征匹配仅使用了图像的特征信息,即局部图像的梯度信息。当需要对图像进行较高精度的匹配时,SIFT特征匹配并不能稳定地给出令人满意的匹配结果。
为了解决该问题,现有中给出了基于数据聚类的适应性图像SIFT特征匹配方法、基于数据聚类的鲁棒SIFT特征匹配方法以及局部结构与拓扑几何约束的倾斜影像直线特征匹配方法,其中,基于数据聚类的适应性图像SIFT特征匹配方法将SIFT特征点用KD树(Kd-Tree,即K-dimensionaltree,是一种高维索引树形数据结构)以及Vocabulary树聚类,然后将特征匹配分为两阶段,分别以最优节点优先算法(Best-Bin-First,BBF)连同信息熵进行聚类特征匹配选择关键图像,以及对关键图像进行特征匹配;基于数据聚类的鲁棒SIFT特征匹配方法与上一方法类似,区别在于选择关键图像时使用了针对普通特征以及聚类特征相分离的最优概率投票策略;局部结构与拓扑几何约束的倾斜影像直线特征匹配方法针对倾斜影像显著视角变化导致直线特征匹配困难问题,提出了结合局部结构和拓扑几何的约束方法,通过对直线特征进行编组构成特征组并进行匹配。
但是,无论是基于数据聚类的适应性图像SIFT特征匹配方法,还是基于数据聚类的鲁棒SIFT特征匹配方法,还是局部结构与拓扑几何约束的倾斜影像直线特征匹配方法都是仅基于图像特征的匹配,由此得到的特征匹配的精度并不高。
发明内容
本申请提供了一种特征匹配方法及相关设备,可提高图像特征匹配的精度。
本申请实施例第一方面提供了一种特征匹配方法,包括:
确定第一图像对应的第一尺度不变特征变换SIFT特征集合以及第二图像对应的第二SIFT特征集合,所述第一图像以及所述第二图像为待进行特征匹配的图像,所述第一图像以及所述第二图像中包含相同的物体;
将所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,得到第一有效匹配集合;
确定所述第一SIFT特征集合对应的第一SIFT特征坐标集合以及所述第二SIFT特征集合对应的第二SIFT特征坐标集合;
当所述第一有效匹配集合中的匹配对数量大于目标预设值时,确定所述第一有效匹配集合对应的第一单应性矩阵,所述第一单应性矩阵指示所述第一图像中包含于所述第一有效匹配集合中的SIFT特征的坐标与所述第二图像中包含与所述第一有效匹配集合中的SIFT特征的坐标之间的映射关系;
根据所述第一单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第一目标SIFT特征坐标集合;
确定所述第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标,所述第一SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第二坐标与第二SIFT特征相对应,所述第二SIFT特征为所述第一目标SIFT特征坐标集合中的任意一个SIFT特征坐标对应的SIFT特征;
将所述第一SIFT特征以及所述第二SIFT特征进行特征匹配后加入第二有效匹配集合,所述第二有效匹配集合为置为空集后的所述第一有效匹配集合。
可选地,所述将所述第一SIFT特征集合中的SIFT特征与所述第二SIFT中的SIFT特征进行匹配,得到第一有效匹配集合包括:
判断第三SIFT特征与第四SIFT特征以及第五SIFT特征是否满足第一预设条件,所述第三SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第四SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的最近邻SIFT特征,所述第五SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的次近邻SIFT特征;
若是,则确定所述第三SIFT特征与所述第四特征描述子为第一目标有效匹配,所述第一目标有效匹配为所述第一有效匹配集合中的任意一个有效匹配。
可选地,所述第一预设条件为所述第三SIFT特征、所述第四SIFT特征以及所述第五SIFT特征满足如下不等式:
其中,d10为所述第三SIFT特征,d21为所述第四SIFT特征,d22为所述第五SIFT特征,dL2为求取欧式距离的函数,α为小于1的正数。
可选地,所述方法还包括:
当所述第一有效匹配集合中匹配对的数量不大于所述目标预设值时,基于调整后的α对所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,直至所述第一有效匹配集合中匹配对的数量大于所述目标预设值。
可选地,所述确定所述第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标包括:
根据所述第一坐标确定所述第一目标SIFT特征坐标集合的目标子集合,所述目标子集合为所述第一目标SIFT特征坐标集合中以所述第一坐标为圆心,目标半径内的所有SIFT特征;
将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征进行特征匹配,得到所述第二SIFT特征。
可选地,所述将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征描述进行匹配,得到所述第二SIFT特征包括:
判断所述第一SIFT特征与第六SIFT特征以及第七SIFT特征是否满足第二预设条件,所述第六SIFT特征为所述目标子集合中所述第一SIFT特征的最近邻SIFT特征,所述第七SIFT特征为所述目标子集合中所述第一SIFT特征的次近邻SIFT特征;
若是,则将所述第一SIFT特征与所述第六SIFT特征进行匹配得到第二目标有效匹配,所述第二目标有效匹配为所述第二有效匹配集合中的任意一个有效匹配。
可选地,所述第二预设条件为所述第一SIFT特征、所述第六SIFT特征以及所述第七SIFT特征满足如下不等式:
其中,d11为所述第一SIFT特征,d23为所述第六SIFT特征,d24为所述第七SIFT特征,dL2为求取欧式距离的函数,α为算法比率。
可选地,所述方法还包括:
确定所述第二有效匹配集合对应的第二单应性矩阵;
根据所述第二单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第二目标SIFT特征坐标集合;
基于调整后的所述目标半径确定所述第二目标SIFT特征坐标集合中与所述第一坐标匹配的第四坐标,所述第四坐标与第八SIFT特征相对应;
将所述第一SIFT特征以及所述第八SIFT特征匹配后加入第三有效匹配集合,所述第三有效匹配集合为置为空集的所述第二有效匹配集合。
本申请实施例第二方面提供了一种特征匹配装置,包括:
第一确定单元,用于确定第一图像对应的第一尺度不变特征变换SIFT特征集合以及第二图像对应的第二SIFT特征集合,所述第一图像以及所述第二图像为待进行特征匹配的图像,所述第一图像以及所述第二图像中包含相同的物体;
第一匹配单元,用于将所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,得到第一有效匹配集合;
第二确定单元,用于确定所述第一SIFT特征集合对应的第一SIFT特征坐标集合以及所述第二SIFT特征集合对应的第二SIFT特征坐标集合;
第三确定单元,用于当所述第一有效匹配集合中的匹配对数量大于目标预设值时,确定所述第一有效匹配集合对应的第一单应性矩阵,所述第一单应性矩阵指示所述第一图像中包含于所述第一有效匹配集合中的SIFT特征的坐标与所述第二图像中包含与所述第一有效匹配集合中的SIFT特征的坐标之间的映射关系;
处理单元,用于根据所述第一单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第一目标SIFT特征坐标集合;
第二匹配单元,用于确定所述第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标,所述第一SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第二坐标与第二SIFT特征相对应,所述第二SIFT特征为所述第一目标SIFT特征坐标集合中的任意一个SIFT特征坐标对应的SIFT特征;
第四确定单元,用于将所述第一SIFT特征以及所述第二SIFT特征进行特征匹配后加入第二有效匹配集合,所述第二有效匹配集合为置为空集后的所述第一有效匹配集合。
可选地,所述第一匹配单元具体用于:
判断第三SIFT特征与第四SIFT特征以及第五SIFT特征是否满足第一预设条件,所述第三SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第四SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的最近邻SIFT特征,所述第五SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的次近邻SIFT特征;
若是,则确定所述第三SIFT特征与所述第四特征描述子为第一目标有效匹配,所述第一目标有效匹配为所述第一有效匹配集合中的任意一个有效匹配。
可选地,所述第一预设条件为所述第三SIFT特征、所述第四SIFT特征以及所述第五SIFT特征满足如下不等式:
其中,d10为所述第三SIFT特征,d21为所述第四SIFT特征,d22为所述第五SIFT特征,dL2为求取欧式距离的函数,α为小于1的正数。
可选地,所述第一匹配单元还用于:
当所述第一有效匹配集合中匹配对的数量不大于所述目标预设值时,基于调整后的α对所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,直至所述第一有效匹配集合中匹配对的数量大于所述目标预设值。
可选地,所述第二匹配单元具体用于:
根据所述第一坐标确定所述第一目标SIFT特征坐标集合的目标子集合,所述目标子集合为所述第一目标SIFT特征坐标集合中以所述第一坐标为圆心,目标半径内的所有SIFT特征;
将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征进行特征匹配,得到所述第二SIFT特征。
可选地,所述第二匹配单元将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征描述进行匹配,得到所述第二SIFT特征包括:
判断所述第一SIFT特征与第六SIFT特征以及第七SIFT特征是否满足第二预设条件,所述第六SIFT特征为所述目标子集合中所述第一SIFT特征的最近邻SIFT特征,所述第七SIFT特征为所述目标子集合中所述第一SIFT特征的次近邻SIFT特征;
若是,则将所述第一SIFT特征与所述第六SIFT特征进行匹配得到第二目标有效匹配,所述第二目标有效匹配为所述第二有效匹配集合中的任意一个有效匹配。
可选地,所述第二预设条件为所述第一SIFT特征、所述第六SIFT特征以及所述第七SIFT特征满足如下不等式:
其中,d11为所述第一SIFT特征,d23为所述第六SIFT特征,d24为所述第七SIFT特征,dL2为求取欧式距离的函数,α为算法比率。
可选地,所述处理单元还用于:
确定所述第二有效匹配集合对应的第二单应性矩阵;
根据所述第二单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第二目标SIFT特征坐标集合;
基于调整后的所述目标半径确定所述第二目标SIFT特征坐标集合中与所述第一坐标匹配的第四坐标,所述第四坐标与第八SIFT特征相对应;
将所述第一SIFT特征以及所述第八SIFT特征匹配后加入第三有效匹配集合,所述第三有效匹配集合为置为空集的所述第二有效匹配集合。
本申请实施例第三方面提供了一种计算机装置,其包括至少一个连接的处理器和存储器,其中,所述存储器用于存储程序代码,所述程序代码由所述处理器加载并执行以实现上述第一方面所述的特征匹配方法的步骤。
本申请实施例第四方面提供了一种计算机可读存储介质,包括指令,当指令在计算机上运行时,使得计算机执行上述第一方面所述特征匹配方法的步骤。
综上所述,可以看出,本申请提供的实施例中,通过对第一图像以及第二图像进行初步特征匹配得到有效匹配集合,并计算第一单应性矩阵,之后通过第一单应性矩阵对第二图像以及第二图像对应的SIFT特征坐标集合进行反向透视变换,使得第一图像与第二图像对齐,且将反向透视变换后得到的第一目标SIFT特征坐标集合与第一图像中的SIFT特征坐标进行再次进行特征匹配,得到最终的有效匹配集合。实现了图像特征空间与物理空间的双重约束,使得匹配精度达到较高水平,相对于现有的基于图像特征的匹配,并未使用图像特征在物理空间(即图像平面)的位置信息,可以提供图像的特征匹配的精度。
附图说明
图1为本申请实施例提供的特征匹配方法的流程示意图;
图2为本申请实施例提供的第一图像以及第二图像的示意图;
图3为本申请实施例提供的通过第一单应性矩阵映射的示意图;
图4为本申请实施例提供的特征匹配的示意图;
图5为本申请实施例提供的特征匹配装置的虚拟结构示意图;
图6为本申请实施例提供的服务器的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块,本申请中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式,例如多个模块可以结合成或集成在另一个系统中,或一些特征向量可以忽略,或不执行,另外,所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块之间的间接耦合或通信连接可以是电性或其他类似的形式,本申请中均不作限定。并且,作为分离部件说明的模块或子模块可以是也可以不是物理上的分离,可以是也可以不是物理模块,或者可以分布到多个电路模块中,可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
下面对本申请涉及的一些名词进行说明,具体如下:
特征:与图像内容有关的一段信息,通常表现了图像中某一区域的特定性质,可以是图像中的特定结构如角点、边缘,也可以是特定操作如邻域操作、特征探测的结果。一个特征通常用一个高维向量表示,例如SIFT中一个小区域的特征由128个数组成的128维向量表示。
特征空间:同一种特征的全集所在的空间。
特征匹配:寻找不同图像中的同一物体/特征之间的映射关系的过程。
物理空间:本申请中的物理空间特指被匹配的特征所在的图像平面。一个物理空间中的点由一个二维向量表示,即其横纵坐标。
下面从特征匹配装置的角度对本申请提供的特征匹配方法进行说明,该特征匹配装置可以为服务器,也可以为服务器中的服务单元,具体不做限定。
请参阅图1,图1为本申请实施例提供的特征匹配方法的流程示意图,包括:
101、确定第一图像对应的第一SIFT特征集合以及第二图像对应的第二SIFT特征集合。
本实施例中,特征匹配装置可以首先获取两个图像,第一图像以及第二图像,该第一图像以及第二图像为待进行特征匹配的图像,且该第一图像与第二图像中包含相同的物体或内容,之后提取第一图像以及第二图像中的SIFT特征,得到第一图像对应的第一SIFT特征集合以及第二图像对应的第二SIFT特征集合,该第一图像以及第二图像中包含相同的物体。
如图2所示,201为第一图像,202为第二图像,第一图像201中包括的三角形2011以及圆环2012,第二图像202中同样包括三角形2021以及圆环2022。可以理解的是,该第一图像以及第二图像可以为整个的图像,也可以为图像中的某一个区域,具体不做限定。另外第一SIFT特征集合为第一图像中的SIFT特征的特征描述子的集合,第二SIFT特征集合为第二图像中的SIFT特征的特征描述子的集合。此处具体不限定提取第一图像中的SIFT特征以及第二图像中的SIFT特征的方式,例如可以通过SIFT算法进行提取,当然也还可以采用其他的方式进行提取,具体不做限定。
为了便于描述,将第一图像标记为I1,第二图像标记为I2,将第一SIFT特征集合标记为Desc1,将第二SIFT特征集合标记为Desc2。
102、将第一SIFT特征集合中的SIFT特征与第二SIFT特征集合中的SIFT特征进行匹配,得到第一有效匹配集合。
本实施例中,特征匹配装置在得到第一SIFT特征集合以及第二SIFT特征集合之后,可以将第一SIFT特征集合中的SIFT特征与第二SIFT特征集合中的SIFT特征进行匹配,得到第一有效匹配集合。
一个实施例中,特征匹配装置将第一SIFT特征集合中的SIFT特征与第二SIFT中的SIFT特征进行匹配,得到第一有效匹配集合包括:
判断第三SIFT特征与第四SIFT特征以及第五SIFT特征是否满足第一预设条件,第三SIFT特征为第一SIFT特征集合中的任意一个SIFT特征,第四SIFT特征为第二SIFT特征集合中第三SIFT特征的最近邻SIFT特征,第五SIFT特征为第二SIFT特征集合中第三SIFT特征的次近邻SIFT特征;
若是,则确定第三SIFT特征与第四特征描述子为第一目标有效匹配,第一目标有效匹配为第一有效匹配集合中的任意一个有效匹配。
本实施例中,特征匹配装置可以遍历第一SIFT特征集合Desc1,为第一SIFT特征集合Desc1中的每一个特征描述子在第二SIFT特征集合Desc2中进行K=2的K近邻分类,并执行一个判断,判断第三SIFT特征与第四SIFT特征以及第五SIFT特征是否满足第一预设条件,该第三SIFT特征为第一SIFT特征集合Desc1中的任意一个SIFT特征,第四SIFT特征为第二SIFT特征集合Desc2中第三SIFT特征的最近邻SIFT特征,第五SIFT特征为第二SIFT特征集合Desc2中第三SIFT特征的次近邻SIFT特征,也就是说,当第一SIFT特征集合Desc1中第三SIFT特征d10与该第三SIFT特征d10在第二SIFT特征集合Desc2中的最近邻d21以及次近邻d22满足第一预设条件时,则将d21以及d10作为一对有效匹配以及第一目标有效匹配,并加入到第一有效匹配集合Mvalid中。
其中,该第一预设条件为第三SIFT特征、第四SIFT特征以及第五SIFT特征满足如下不等式:
其中,d10为第三SIFT特征,d21为第四SIFT特征,d22为第五SIFT特征,dL2为求取欧式距离的函数,α为小于1的正数,一般取值0.7,当然也还可以根据实际情况进行调整,具体不限定。
需要说明的是,上述以欧式距离为例进行说明,当然也还可以是其他的距离,例如曼哈顿距离或者切比雪夫距离等,具体不做限定。
103、确定第一SIFT特征集合对应的第一SIFT特征坐标集合以及第二SIFT特征集合对应的第二SIFT特征坐标集合。
本实施例中,特征匹配装置可以确定第一SIFT特征集合对应的第一SIFT特征坐标集合以及第二SIFT特征集合对应的SIFT特征坐标集合,此处具体不限定确定第一SIFT特征坐标集合以及第二SIFT特征坐标集合的方式,为了便于描述,将第一SIFT特征坐标集合标记为Loc1,将第二SIFT特征坐标集合标记为Loc2。
需要说明的是,特征匹配装置通过步骤102可以得到第一有效匹配集合,通过步骤103可以确定第一SIFT特征坐标集合以及第二SIFT特征坐标集合,然而这两个步骤之间并没有先后执行顺序的限制,可以先执行步骤102,也可以先执行步骤103,或者同时执行,具体不做限定。
104、当第一有效匹配集合中的匹配对数量大于目标预设值时,确定第一有效匹配集合对应的第一单应性矩阵。
本实施例中,特征匹配装置在得到第一有效匹配集合后,可以判断该第一有效匹配集合中的匹配对数量是否大于目标预设值,当第一有效匹配集合中的匹配对数量大于目标预设值时,确定第一有效匹配集合对应的第一单应性矩阵。也就是说,特征匹配装置可以根据第一有效匹配集合中的匹配对,通过随机抽样一致算法以及透视变换得到第一单应性矩阵,该第一单应性矩阵指示第一图像中SIFT特征的坐标与第二图像中SIFT特征的坐标之间的映射关系,也就是说,该第一图像中的SIFT特征的坐标是由该第一单应性矩阵映射到第二图像中对应的SIFT特征的坐标的。具体的可以通过如下公式求解第一单应性矩阵:
使用随机抽样一致算法(RANSAC)求解该第一单应性矩阵H,此第一单应性矩阵表示了第一图像到第二图像的映射关系,上述公式中的(x1,y1)与(x′1,y′1)分别表示了第一图像中的SIFT特征的坐标与该SIFT特征由第一单应性矩阵H映射到第二图像中对应的坐标,Hij为第一单应矩阵的参数。
请参阅图3,图3为本申请实施例提供的通过第一单应性矩阵映射的示意图,其中,301为第一图像,302为第二图像,第一图像301中的图像3011与第二图像302中的图像3021映射关系应该303和304,当出现305的映射现象时,则说明匹配错误,删除该匹配。
需要说明的是,上述的随机抽样一致算法可以为RANSAC算法,也可以为其他的随机抽样一致性算法,还可以为其他的方法,例如暴利求解的方法,遍历所有可能的匹配组合,选出最优者,具体不做限定;另外该目标预设值的取值可以为4,也可以根据实际情况进行调整,例如调整为5或者调整为3,具体不限定。
还需要说明的是,当第一有效匹配集合中匹配对的数量不大于目标预设值时,基于调整后的α对第一SIFT特征集合中的SIFT特征与第二SIFT特征集合中的SIFT特征进行匹配,直至第一有效匹配集合中匹配对的数量大于目标预设值。
105、根据第一单应性矩阵对第二图像以及第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第一目标SIFT特征坐标集合。
本实施例中,特征匹配装置在得到第一单应性矩阵H之后,可以根据H将第二图像做反向透视变换,使得第二图像与第一图像对齐,同时将第二SIFT特征坐标集合Loc2中的坐标做反向透视变换,得到第一目标目标SIFT特征坐标集合,标记为Loc′2。
106、确定第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标。
本实施例中,特征匹配装置可以遍历第一SIFT特征集合中的SIFT特征,并根据遍历的SIFT特征对应的第一坐标在第一目标SIFT特征坐标集合Loc′2中找出与之相匹配的第二坐标,此时,该第二坐标对应的第二SIFT特征与第一坐标对应的第一SIFT特征相匹配。
具体的:特征匹配装置确定第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标包括:
根据第一坐标确定第一目标SIFT特征坐标集合的目标子集合,目标子集合为第一目标SIFT特征坐标集合中以第一坐标为圆心,目标半径内的所有SIFT特征;
将第一SIFT特征以及目标子集合中的所有SIFT特征进行特征匹配,得到第二SIFT特征。
也就是说,遍历第一图像对应的第一SIFT特征集合中的SIFT特征,执行如下操作:选择一个第一SIFT特征,标记为d11,从第一SIFT特征坐标集合中确定其对应的坐标(x11,y11),在第一目标SIFT特征坐标集合中以坐标(x11,y11)为圆心,搜索目标半径r以内的所有SIFT特征,作为目标子集合Sub10,并将第一SIFT特征与目标子集合中的所有SIFT特征进行匹配,得到第二SIFT特征。
需要说明的是,在第一SIFT特征以及目标子集合中的所有SIFT特征进行特征匹配时,判断第一SIFT特征d11与第六SIFT特征d23以及第七SIFT特征d24是否满足第二预设条件,第六SIFT特征d23为目标子集合Sub10中第一SIFT特征d11的最近邻SIFT特征,第七SIFT特征d24为目标子集合Sub10中第一SIFT特征d11的次近邻SIFT特征,也即对目标子集合Sub10中的所有特征点对应在特征空间Desc2中的特征描述子,进行k=2的近邻搜索,并判断该第一SIFT特征d11的最近邻和次近邻是否满足第二预设条件,若是,则将第一SIFT特征d11与第六SIFT特征d23进行匹配得到第二目标有效匹配,第二目标有效匹配为所述第二有效匹配集合中的任意一个有效匹配。
需要说明的是,第二预设条件为第一SIFT特征、第六SIFT特征以及第七SIFT特征满足如下不等式:
其中,d11为第一SIFT特征,d23为第六SIFT特征,d24为第七SIFT特征,dL2为求取欧式距离的函数,α为小于1的正数,一般取值为0.7,当然也还可以根据实际情况进行设置。
请参阅图4,图4为本申请实施例提供的特征匹配的示意图,401为第一图像与反向透视变换后第二图像的对齐结果,402为对齐后的图像中某SIFT特征点对所在的局部区域(三角形图形)放大图,以401中三角形上顶点为圆心,r为半径,对402中的SIFT特征进行筛选,得到SIFT特征4021,SIFT特征4023以及SIFT特征4025不在三角形上顶点为圆心,r为半径的区域内,被放弃,之后通过K近邻搜索以及特征空间的欧式距离比值进行判定,最终得到402区域中的有效匹配结果。
107、将第一SIFT特征以及第二SIFT特征进行特征匹配后加入第二有效匹配集合。
本实施例中,特征匹配装置在得到第一SIFT特征以及第二SIFT特征之后,将第一SIFT特征以及第二SIFT特征进行特征匹配后加入第二有效匹配集合,其中,该第二有效匹配集合为置为空集后的第一有效匹配结合。也就是说,在得到第一单应性矩阵H之后,可以将第一有效匹配集合Mvalid置为空集,方便后续在特征再次匹配之后加入该置为空集的第一有效匹配集合。
一个实施例中,在将第一SIFT特征以及第二SIFT特征进行匹配后加入第二有效匹配集合之后,特征匹配装置还可以执行如下操作:
确定第二有效匹配集合对应的第二单应性矩阵;
根据第二单应性矩阵对第二图像以及第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第二目标SIFT特征坐标集合;
基于调整后的目标半径确定第二目标SIFT特征坐标集合中与第一坐标匹配的第四坐标,第四坐标与第八SIFT特征相对应;
将第一SIFT特征以及第八SIFT特征匹配后加入第三有效匹配集合,第三有效匹配集合为置为空集的第二有效匹配集合。
本实施例中,特征匹配装置可以确定与该第二有效匹配集合对应的第二单应性矩阵,并基于该第二单应性矩阵对第二图像以及第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第二目标SIFT特征坐标集合,并按照特定的比例对目标半径进行调整,并基于调整后的目标半径确定第四坐标,该第四坐标与第八SIFT特征相匹配,并将第一SIFT特征以及第八SIFT特征匹配后加入第三有效匹配集合,该第三有效匹配集合为置为空集的第二有效匹配集合。也就是说,在得到第二有效匹配集合之后,可以基于该第二有效匹配集合不断重复步骤103至步骤107,且在每次重复时,按照预设比率调整目标半径r,直至达到预设的迭代次数或者目标半径r小于设定的阈值为止。
综上所述,可以看出,本申请提供的实施例中,通过对第一图像以及第二图像进行初步特征匹配得到有效匹配集合,并计算第一单应性矩阵,之后通过第一单应性矩阵对第二图像以及第二图像对应的SIFT特征坐标集合进行反向透视变换,使得第一图像与第二图像对齐,且将反向透视变换后得到的第一目标SIFT特征坐标集合与第一图像中的SIFT特征坐标进行再次进行特征匹配,得到最终的有效匹配集合。实现了图像特征空间与物理空间的双重约束,使得匹配精度达到较高水平,相对于现有的基于图像特征的匹配,并未使用图像特征在物理空间(即图像平面)的位置信息,可以提供图像的特征匹配的精度。
上面从特征匹配方法的角度对本申请进行说明,下面从特征匹配装置的角度对本申请进行说明。
请参阅图5,图5为本申请实施例提供的特征匹配装置的虚拟结构示意图,包括:
第一确定单元501,用于确定第一图像对应的第一尺度不变特征变换SIFT特征集合以及第二图像对应的第二SIFT特征集合,所述第一图像以及所述第二图像为待进行特征匹配的图像,所述第一图像以及所述第二图像中包含相同的物体;
第一匹配单元502,用于将所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,得到第一有效匹配集合;
第二确定单元503,用于确定所述第一SIFT特征集合对应的第一SIFT特征坐标集合以及所述第二SIFT特征集合对应的第二SIFT特征坐标集合;
第三确定单元504,用于当所述第一有效匹配集合中的匹配对数量大于目标预设值时,确定所述第一有效匹配集合对应的第一单应性矩阵,所述第一单应性矩阵指示所述第一图像中包含于所述第一有效匹配集合中的SIFT特征的坐标与所述第二图像中包含与所述第一有效匹配集合中的SIFT特征的坐标之间的映射关系;
处理单元505,用于根据所述第一单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第一目标SIFT特征坐标集合;
第二匹配单元506,用于确定所述第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标,所述第一SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第二坐标与第二SIFT特征相对应,所述第二SIFT特征为所述第一目标SIFT特征坐标集合中的任意一个SIFT特征坐标对应的SIFT特征;
第四确定单元507,用于将所述第一SIFT特征以及所述第二SIFT特征进行特征匹配后加入第二有效匹配集合,所述第二有效匹配集合为置为空集后的所述第一有效匹配集合。
可选地,所述第一匹配单元502具体用于:
判断第三SIFT特征与第四SIFT特征以及第五SIFT特征是否满足第一预设条件,所述第三SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第四SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的最近邻SIFT特征,所述第五SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的次近邻SIFT特征;
若是,则确定所述第三SIFT特征与所述第四特征描述子为第一目标有效匹配,所述第一目标有效匹配为所述第一有效匹配集合中的任意一个有效匹配。
可选地,所述第一预设条件为所述第三SIFT特征、所述第四SIFT特征以及所述第五SIFT特征满足如下不等式:
其中,d10为所述第三SIFT特征,d21为所述第四SIFT特征,d22为所述第五SIFT特征,dL2为求取欧式距离的函数,α为小于1的正数。
可选地,所述第一匹配单元502还用于:
当所述第一有效匹配集合中匹配对的数量不大于所述目标预设值时,基于调整后的α对所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,直至所述第一有效匹配集合中匹配对的数量大于所述目标预设值。
可选地,所述第二匹配单元506具体用于:
根据所述第一坐标确定所述第一目标SIFT特征坐标集合的目标子集合,所述目标子集合为所述第一目标SIFT特征坐标集合中以所述第一坐标为圆心,目标半径内的所有SIFT特征;
将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征进行特征匹配,得到所述第二SIFT特征。
可选地,所述第二匹配单元506将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征描述进行匹配,得到所述第二SIFT特征包括:
判断所述第一SIFT特征与第六SIFT特征以及第七SIFT特征是否满足第二预设条件,所述第六SIFT特征为所述目标子集合中所述第一SIFT特征的最近邻SIFT特征,所述第七SIFT特征为所述目标子集合中所述第一SIFT特征的次近邻SIFT特征;
若是,则将所述第一SIFT特征与所述第六SIFT特征进行匹配得到第二目标有效匹配,所述第二目标有效匹配为所述第二有效匹配集合中的任意一个有效匹配。
可选地,所述第二预设条件为所述第一SIFT特征、所述第六SIFT特征以及所述第七SIFT特征满足如下不等式:
其中,d11为所述第一SIFT特征,d23为所述第六SIFT特征,d24为所述第七SIFT特征,dL2为求取欧式距离的函数,α为算法比率。
可选地,所述处理单元505还用于:
确定所述第二有效匹配集合对应的第二单应性矩阵;
根据所述第二单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第二目标SIFT特征坐标集合;
基于调整后的所述目标半径确定所述第二目标SIFT特征坐标集合中与所述第一坐标匹配的第四坐标,所述第四坐标与第八SIFT特征相对应;
将所述第一SIFT特征以及所述第八SIFT特征匹配后加入第三有效匹配集合,所述第三有效匹配集合为置为空集的所述第二有效匹配集合。
综上所述,可以看出,本申请提供的实施例中,通过对第一图像以及第二图像进行初步特征匹配得到有效匹配集合,并计算第一单应性矩阵,之后通过第一单应性矩阵对第二图像以及第二图像对应的SIFT特征坐标集合进行反向透视变换,使得第一图像与第二图像对齐,且将反向透视变换后得到的第一目标SIFT特征坐标集合与第一图像中的SIFT特征坐标进行再次进行特征匹配,得到最终的有效匹配集合。实现了图像特征空间与物理空间的双重约束,使得匹配精度达到较高水平,相对于现有的基于图像特征的匹配,并未使用图像特征在物理空间(即图像平面)的位置信息,可以提供图像的特征匹配的精度。
图6为本申请实施例提供的一种服务器结构示意图,该服务器600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processingunits,CPU)622(例如,一个或一个以上处理器)和存储器632,一个或一个以上存储应用程序642或数据644的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器622可以设置为与存储介质630通信,在服务器600上执行存储介质630中的一系列指令操作。
服务器600还可以包括一个或一个以上电源626,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口658,和/或,一个或一个以上操作系统641,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由数据处理装置所执行的步骤可以基于该图6所示的服务器结构。
本申请实施例还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述所述特征匹配方法的步骤。
本申请实施例还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述所述特征匹配方法的步骤。
本申请实施例还提供了一种终端设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,所述程序代码由所述处理器加载并执行以实现上述所述特征匹配方法的步骤。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行上述所述特征匹配方法的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种特征匹配方法,其特征在于,包括:
确定第一图像对应的第一尺度不变特征变换SIFT特征集合以及第二图像对应的第二SIFT特征集合,所述第一图像以及所述第二图像为待进行特征匹配的图像,所述第一图像以及所述第二图像中包含相同的物体;
将所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,得到第一有效匹配集合;
确定所述第一SIFT特征集合对应的第一SIFT特征坐标集合以及所述第二SIFT特征集合对应的第二SIFT特征坐标集合;
当所述第一有效匹配集合中的匹配对数量大于目标预设值时,确定所述第一有效匹配集合对应的第一单应性矩阵,所述第一单应性矩阵指示所述第一图像中包含于所述第一有效匹配集合中的SIFT特征的坐标与所述第二图像中包含与所述第一有效匹配集合中的SIFT特征的坐标之间的映射关系;
根据所述第一单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第一目标SIFT特征坐标集合;
确定所述第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标,所述第一SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第二坐标与第二SIFT特征相对应,所述第二SIFT特征为所述第一目标SIFT特征坐标集合中的任意一个SIFT特征坐标对应的SIFT特征;
将所述第一SIFT特征以及所述第二SIFT特征进行特征匹配后加入第二有效匹配集合,所述第二有效匹配集合为置为空集后的所述第一有效匹配集合。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一SIFT特征集合中的SIFT特征与所述第二SIFT中的SIFT特征进行匹配,得到第一有效匹配集合包括:
判断第三SIFT特征与第四SIFT特征以及第五SIFT特征是否满足第一预设条件,所述第三SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第四SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的最近邻SIFT特征,所述第五SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的次近邻SIFT特征;
若是,则确定所述第三SIFT特征与所述第四特征描述子为第一目标有效匹配,所述第一目标有效匹配为所述第一有效匹配集合中的任意一个有效匹配。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
当所述第一有效匹配集合中匹配对的数量不大于所述目标预设值时,基于调整后的α对所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,直至所述第一有效匹配集合中匹配对的数量大于所述目标预设值。
5.根据权利要求1所述的方法,其特征在于,所述确定所述第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标包括:
根据所述第一坐标确定所述第一目标SIFT特征坐标集合的目标子集合,所述目标子集合为所述第一目标SIFT特征坐标集合中以所述第一坐标为圆心,目标半径内的所有SIFT特征;
将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征进行特征匹配,得到所述第二SIFT特征。
6.根据权利要求5所述的方法,其特征在于,所述将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征描述进行匹配,得到所述第二SIFT特征包括:
判断所述第一SIFT特征与第六SIFT特征以及第七SIFT特征是否满足第二预设条件,所述第六SIFT特征为所述目标子集合中所述第一SIFT特征的最近邻SIFT特征,所述第七SIFT特征为所述目标子集合中所述第一SIFT特征的次近邻SIFT特征;
若是,则将所述第一SIFT特征与所述第六SIFT特征进行匹配得到第二目标有效匹配,所述第二目标有效匹配为所述第二有效匹配集合中的任意一个有效匹配。
8.根据权利要求5至7中任一项所述的方法,其特征在于,所述方法还包括:
确定所述第二有效匹配集合对应的第二单应性矩阵;
根据所述第二单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第二目标SIFT特征坐标集合;
基于调整后的所述目标半径确定所述第二目标SIFT特征坐标集合中与所述第一坐标匹配的第四坐标,所述第四坐标与第八SIFT特征相对应;
将所述第一SIFT特征以及所述第八SIFT特征匹配后加入第三有效匹配集合,所述第三有效匹配集合为置为空集的所述第二有效匹配集合。
9.一种特征匹配装置,其特征在于,包括:
第一确定单元,用于确定第一图像对应的第一尺度不变特征变换SIFT特征集合以及第二图像对应的第二SIFT特征集合,所述第一图像以及所述第二图像为待进行特征匹配的图像,所述第一图像以及所述第二图像中包含相同的物体;
第一匹配单元,用于将所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,得到第一有效匹配集合;
第二确定单元,用于确定所述第一SIFT特征集合对应的第一SIFT特征坐标集合以及所述第二SIFT特征集合对应的第二SIFT特征坐标集合;
第三确定单元,用于当所述第一有效匹配集合中的匹配对数量大于目标预设值时,确定所述第一有效匹配集合对应的第一单应性矩阵,所述第一单应性矩阵指示所述第一图像中包含于所述第一有效匹配集合中的SIFT特征的坐标与所述第二图像中包含与所述第一有效匹配集合中的SIFT特征的坐标之间的映射关系;
处理单元,用于根据所述第一单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第一目标SIFT特征坐标集合;
第二匹配单元,用于确定所述第一目标SIFT特征坐标集合中与第一SIFT特征的第一坐标匹配的第二坐标,所述第一SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第二坐标与第二SIFT特征相对应,所述第二SIFT特征为所述第一目标SIFT特征坐标集合中的任意一个SIFT特征坐标对应的SIFT特征;
第四确定单元,用于将所述第一SIFT特征以及所述第二SIFT特征进行特征匹配后加入第二有效匹配集合,所述第二有效匹配集合为置为空集后的所述第一有效匹配集合。
10.根据权利要求9所述的装置,其特征在于,所述第一匹配单元具体用于:
判断第三SIFT特征与第四SIFT特征以及第五SIFT特征是否满足第一预设条件,所述第三SIFT特征为所述第一SIFT特征集合中的任意一个SIFT特征,所述第四SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的最近邻SIFT特征,所述第五SIFT特征为所述第二SIFT特征集合中所述第三SIFT特征的次近邻SIFT特征;
若是,则确定所述第三SIFT特征与所述第四特征描述子为第一目标有效匹配,所述第一目标有效匹配为所述第一有效匹配集合中的任意一个有效匹配。
12.根据权利要求11所述的装置,其特征在于,所述第一匹配单元还用于:
当所述第一有效匹配集合中匹配对的数量不大于所述目标预设值时,基于调整后的α对所述第一SIFT特征集合中的SIFT特征与所述第二SIFT特征集合中的SIFT特征进行匹配,直至所述第一有效匹配集合中匹配对的数量大于所述目标预设值。
13.根据权利要求9所述的装置,其特征在于,所述第二匹配单元具体用于:
根据所述第一坐标确定所述第一目标SIFT特征坐标集合的目标子集合,所述目标子集合为所述第一目标SIFT特征坐标集合中以所述第一坐标为圆心,目标半径内的所有SIFT特征;
将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征进行特征匹配,得到所述第二SIFT特征。
14.根据权利要求13所述的装置,其特征在于,所述第二匹配单元将所述第一SIFT特征以及所述目标子集合中的所有SIFT特征描述进行匹配,得到所述第二SIFT特征包括:
判断所述第一SIFT特征与第六SIFT特征以及第七SIFT特征是否满足第二预设条件,所述第六SIFT特征为所述目标子集合中所述第一SIFT特征的最近邻SIFT特征,所述第七SIFT特征为所述目标子集合中所述第一SIFT特征的次近邻SIFT特征;
若是,则将所述第一SIFT特征与所述第六SIFT特征进行匹配得到第二目标有效匹配,所述第二目标有效匹配为所述第二有效匹配集合中的任意一个有效匹配。
16.根据权利要求13至15中任一项所述的装置,其特征在于,所述处理单元还用于:
确定所述第二有效匹配集合对应的第二单应性矩阵;
根据所述第二单应性矩阵对所述第二图像以及所述第二SIFT特征坐标集合中的SIFT特征坐标进行反向透视变换,得到第二目标SIFT特征坐标集合;
基于调整后的所述目标半径确定所述第二目标SIFT特征坐标集合中与所述第一坐标匹配的第四坐标,所述第四坐标与第八SIFT特征相对应;
将所述第一SIFT特征以及所述第八SIFT特征匹配后加入第三有效匹配集合,所述第三有效匹配集合为置为空集的所述第二有效匹配集合。
17.一种计算机装置,其特征在于,包括:
至少一个连接的处理器和存储器,其中,所述存储器用于存储程序代码,所述程序代码由所述处理器加载并执行以实现上述权利要求1至8中任一项所述的特征匹配方法的步骤。
18.一种计算机可读存储介质,其特征在于,包括指令,当所述指令在计算机上运行时,使得计算机执行上述权利要求1至8中任一项所述特征匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276878.8A CN112949736B (zh) | 2021-03-15 | 2021-03-15 | 一种特征匹配方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276878.8A CN112949736B (zh) | 2021-03-15 | 2021-03-15 | 一种特征匹配方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949736A true CN112949736A (zh) | 2021-06-11 |
CN112949736B CN112949736B (zh) | 2023-07-21 |
Family
ID=76229935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110276878.8A Active CN112949736B (zh) | 2021-03-15 | 2021-03-15 | 一种特征匹配方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949736B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097498A (zh) * | 2019-01-25 | 2019-08-06 | 电子科技大学 | 基于无人机航迹约束的多航带图像拼接与定位方法 |
WO2020020047A1 (zh) * | 2018-07-25 | 2020-01-30 | 北京达佳互联信息技术有限公司 | 关键点匹配方法、装置、终端设备以及存储介质 |
CN111209920A (zh) * | 2020-01-06 | 2020-05-29 | 桂林电子科技大学 | 一种复杂动态背景下飞机检测方法 |
CN111414914A (zh) * | 2020-02-21 | 2020-07-14 | 深圳追一科技有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN111507901A (zh) * | 2020-04-15 | 2020-08-07 | 中国电子科技集团公司第五十四研究所 | 基于航带gps及尺度不变约束的航拍图像拼接定位方法 |
CN111881923A (zh) * | 2020-07-28 | 2020-11-03 | 民生科技有限责任公司 | 一种基于特征匹配的票据要素提取方法 |
CN112102404A (zh) * | 2020-08-14 | 2020-12-18 | 青岛小鸟看看科技有限公司 | 物体检测追踪方法、装置及头戴显示设备 |
-
2021
- 2021-03-15 CN CN202110276878.8A patent/CN112949736B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020020047A1 (zh) * | 2018-07-25 | 2020-01-30 | 北京达佳互联信息技术有限公司 | 关键点匹配方法、装置、终端设备以及存储介质 |
CN110097498A (zh) * | 2019-01-25 | 2019-08-06 | 电子科技大学 | 基于无人机航迹约束的多航带图像拼接与定位方法 |
CN111209920A (zh) * | 2020-01-06 | 2020-05-29 | 桂林电子科技大学 | 一种复杂动态背景下飞机检测方法 |
CN111414914A (zh) * | 2020-02-21 | 2020-07-14 | 深圳追一科技有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN111507901A (zh) * | 2020-04-15 | 2020-08-07 | 中国电子科技集团公司第五十四研究所 | 基于航带gps及尺度不变约束的航拍图像拼接定位方法 |
CN111881923A (zh) * | 2020-07-28 | 2020-11-03 | 民生科技有限责任公司 | 一种基于特征匹配的票据要素提取方法 |
CN112102404A (zh) * | 2020-08-14 | 2020-12-18 | 青岛小鸟看看科技有限公司 | 物体检测追踪方法、装置及头戴显示设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112949736B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10762373B2 (en) | Image recognition method and device | |
US10796196B2 (en) | Large scale image recognition using global signatures and local feature information | |
Khan et al. | Better than SIFT? | |
Xia et al. | Loop closure detection for visual SLAM using PCANet features | |
CN103927387A (zh) | 图像检索系统及其相关方法和装置 | |
Gonzalez-Diaz et al. | Neighborhood matching for image retrieval | |
Li et al. | FEATURE MATCHING OF MULTI-VIEW 3D MODELS BASED ON HASH BINARY ENCODING. | |
González-Díaz et al. | A generative model for concurrent image retrieval and ROI segmentation | |
CN112465876A (zh) | 一种立体匹配方法及设备 | |
Yang et al. | An object detection and tracking system for unmanned surface vehicles | |
Lu et al. | Memory efficient large-scale image-based localization | |
Zhu et al. | Image mosaic algorithm based on PCA-ORB feature matching | |
CN110083731B (zh) | 图像检索方法、装置、计算机设备及存储介质 | |
JP2019028700A (ja) | 検証装置、方法、及びプログラム | |
CN112445926A (zh) | 一种图像检索方法以及装置 | |
CN112949736B (zh) | 一种特征匹配方法及相关设备 | |
CN106503143B (zh) | 一种图像检索方法及装置 | |
Wu et al. | LGCNet: feature enhancement and consistency learning based on local and global coherence network for correspondence selection | |
Wang et al. | Image matching via the local neighborhood for low inlier ratio | |
Zhan et al. | Fast method of constructing image correlations to build a free network based on image multivocabulary trees | |
JP5819158B2 (ja) | 画像検索に適した特徴ベクトルを抽出するプログラム、方法及び画像検索装置 | |
Clark et al. | Perspective correction for improved visual registration using natural features. | |
CN102855279B (zh) | 基于细节点隆线形状的目标指纹快速查找方法 | |
García-Ordás et al. | Evaluation of different metrics for shape based image retrieval using a new contour points descriptor | |
Kumar et al. | Visual semantic based 3D video retrieval system using HDFS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |